声浪

语音小管家

转载a year ago

来源丨21db声学人 随着生成模型的快速发展，4D场景生成技术（即动态3D场景生成）在近年来取得了显著进展。4D生成技术能够从任意相机视角生成时空一致的渲染效果，广泛应用于增强现实（AR）、虚拟现实（VR）、机器人技术和自动驾驶等领域。 尽…

语音小管家

转载a year ago

来源丨新智元 最近，来自NUS、UT Austin等机构的研究人员创新性地提出了一种「拖拽式大语言模型」（DnD），它可以基于提示词快速生成模型参数，无需微调就能适应任务。不仅效率最高提升12000倍，而且具备出色的零样本泛化能力。 现在的…

语音小管家

转载a year ago

Stream-Omni是由中国科学院计算技术研究所智能信息处理重点实验室、中科院人工智能安全重点实验室及中国科学院大学联合推出的大型多模态语言模型。该模型对标GPT-4o，实现了文本、视觉、语音三种模态的无缝融合交互。 GitHub仓库：h…

语音小管家

转载a year ago

来源丨机器之心 6 月 16 日，腾讯 AI Lab 推出并开源 SongGeneration 音乐生成大模型。 SongGeneration主要解决音乐 AIGC 中音质、音乐性与生成速度这三大共性难题，基于 LLM-DiT 的融合架构，…

语音小管家

转载a year ago

GUIRoboTron-Speech团队投稿， 来源丨量子位 由美团和浙江大学联合推出的GUIRoboTron-Speech——让用户解放双手，直接对计算机“发号施令”。 这是首个能够直接利用语音指令和设备屏幕截图进行端到端（End-to-…

语音小管家

转载a year ago

当前全球现存超 7000 种语言，学术界和工业界对多语种语音识别（Multilingual Automatic Speech Recognition）的研究热度持续攀升，核心目标在于扩大语种覆盖范围并提升跨语言识别性能[1][2]。然而，基…

语音小管家

转载a year ago

本文介绍清华大学人机语音交互实验室（THUHCSI）在ICLR 2025发表的论文：RFWave：基于多频带Rectified Flow的高效音频波形重建。 本文由来自传音控股TEX AI的刘朋、独立研究员代东洋以及清华大学深圳国际研究生院…

语音小管家

转载a year ago

大规模训练语料库极大地提高了语音识别（ASR）模型的性能。然而由于数据相对匮乏，口音和方言仍然是大多数ASR模型面临的挑战。自监督学习的最新进展表明，其与大型语言模型（LLM）相结合，可以有效提高低资源场景下的 ASR 性能。 近期，西工大…